Utbenat: Automation

Inledning

Sebastian:
Föreställ dig att du ligger i soffan en tisdagskväll. Du har precis dragit igång en film, men kvällssolen ligger på och bländar precis i kanten av tv-skärmen. Att resa sig upp, gå tre meter och dra ner rullgardinen tar ungefär fyra sekunder. Men… det är ju så fruktansvärt tråkigt.

Så vad gör du? Jo, på lördagen åker du och köper motoriserade rullgardiner, en smart hubb och ljussensorer. Du tänker: ”Aldrig mer ska jag behöva resa mig ur soffan.”

Du lägger hela helgen på att koppla ihop det här. Du skriver små regler i en app: om klockan är efter sju, och tv:n är igång, och solen skiner… då ska gardinen åka ner. När det väl fungerar känner du dig som ett geni!

Men sen går det en månad. Appen får en uppdatering. Plötsligt åker rullgardinen ner mitt på blanka förmiddagen när du sitter i ett videomöte. En sensor tappar kontakten med nätverket. Du får lägga en timme här, och två timmar där, på att felsöka, byta batterier och skriva om reglerna. Om du räknar på det har du lagt tjugo timmar och en massa pengar på att slippa en rörelse som tar fyra sekunder.

Idag ska vi prata om de där fyra sekunderna i soffan och helgen som försvann. Vi ska prata om automation. Och mer specifikt: hur intåget av AI och självständiga agenter förändrar vad som faktiskt går att automatisera på våra företag. Men vi ska framför allt bena ut varför AI bara är ett komplement till den automation vi redan har, varför det är busenkelt att gå back på sin automation, och vem som egentligen bär ansvaret när maskinerna kör i diket.

Kalkylen som inte går ihop

Sebastian:
För varför automatiserar vi egentligen? Jo, grundtanken är ju att vi vill spara tid. Vi vill frigöra händer och hjärnor från repetitivt arbete så att vi kan fokusera på bättre, mer värdeskapande aktiviteter.

Men vi människor har en svaghet. Vi tenderar att vilja automatisera saker inte för att det är affärsmässigt smart, utan för att arbetsuppgiften är ostimulerande. Den är tråkig. Och när något är tråkigt är det otroligt lätt att motivera för sig själv att vi borde bygga bort det.

Problemet är att det är busenkelt att lägga mer tid på att få till en fungerande automation än vad man någonsin kommer att tjäna igen. Och när vi nu blandar in AI och agenter i den här ekvationen så förändras spelplanen, på gott och ont.

Plötsligt kan vi automatisera uppgifter som tidigare krävde mänsklig bedömning. Sådant som inte följer stenhårda ”om A så B”-regler. Men det kommer med en prislapp som är lätt att glömma. Varje gång en AI-agent snurrar igång i ett flöde så kostar det en liten slant. Det kanske är ören eller kronor per körning, men i stora volymer blir det pengar. Och ännu viktigare: AI-modeller är färskvara. Leverantörerna uppdaterar dem, ändrar beteendet lite grann, eller tar gamla modeller ur drift helt och hållet. En AI-automation idag är inte ”set it and forget it”. Den kräver löpande underhåll. Och då måste vinsten vara tillräckligt stor för att täcka både bygget, driften och det löpande underhållet.

Automationen vi redan har

Sebastian:
Men låt oss backa bandet lite och titta på hur verkligheten ser ut i våra bolag idag. För ibland låter det på snacket i branschen som att automation uppfanns samma dag som vi fick stora språkmodeller.

Men sanningen är att alla företag redan har massor av automation. Tänk på era integrationer. När en kund klickar på köp i e-handeln, och den ordern automatiskt flödar in i ert ERP-system, reserverar en vara på lagret hos Josefin och skickar en plocklista till Lasse… det är ren och skär automation. När en leverantör knappar in produktmått i en portal och det synkas in i ert PIM-system. Automation.

Den här traditionella, regelstyrda automationen är ryggraden. Den är snabb, den är praktiskt taget gratis per körning, och den gör exakt likadant varje gång. AI och agenter kommer inte in för att ersätta det här. De är ett komplement. De kliver in i mellanrummen där de stelbenta reglerna inte räcker till, som att läsa ett ostrukturerat mejl från en kund, förstå vad kunden faktiskt vill och förbereda ärendet innan den traditionella automationen tar vid.

Människan i loopen

Sebastian:
Men när vi nu börjar bygga de här AI-drivna automationerna, då händer något intressant med vårt kontrollbehov. Eftersom en AI inte är hundra procent förutsägbar, så känner vi oss lite otrygga. Vi litar inte riktigt på att den inte kör över tulpanerna i rabatten.

Så vad gör vi? Jo, vi bygger det som kallas för ”human-in-the-loop”. Människan i loopen.

AI:n gör grovjobbet. Den kanske läser in leverantörens produktblad, översätter texten och föreslår en kategorisering. Men sen stannar flödet. Systemet skickar en notis till Anna och ber om en ”sign-off”. Ett manuellt godkännande innan datan får skickas vidare.

Och i början känns det här jätteskönt. Det ger oss en känsla av kontroll och ägarskap. Men… om vi tänker efter lite. Låt oss jämföra det här med våra vanliga integrationer. Skulle vi långsiktigt kunna begära att Johan och hans integrationsteam sitter och kollar igenom varje enskild order som skickas mellan e-handeln och affärssystemet, och trycker på ”Godkänn” manuellt?

Självklart inte! Hela poängen med att automatisera flödet hade ju försvunnit. Ändå är det precis där många företag stannar med sina AI-automationer. Man bygger en robot, men man tvingar ändå en medarbetare att gå två meter bakom och hålla i en nödstoppsknapp. Långsiktigt kan vi inte jobba med human-in-the-loop för volymflöden. Då har vi inte sparat tid, vi har bara gjort våra kollegor till heltidsgranskare åt maskinerna.

Vem äger resultatet?

Sebastian:
Varför fastnar vi då i den här loopen där en människa alltid måste trycka på knappen? Jo, ofta bottnar det i en obekväm fråga som ingen riktigt har vågat svara på: när vi har automatiserat något fullt ut… vem är det då som äger resultatet?

Så länge Anna trycker på ”Godkänn” i slutet av flödet, så är det enkelt. Blir det fel i produktkatalogen, eller om en kund får ett konstigt svar, ja då var det ju Anna som släppte igenom det. Hon äger utfallet.

Men i samma sekund som vi tar bort det manuella steget och låter AI-agenten skicka iväg datan själv, så uppstår ett vakuum. Om AI:n sätter fel fraktklass på hundra produkter så att marginalen äts upp av fraktkostnader… vems fel är det då? Är det Johan på IT som kopplade ihop API:et? Är det konsulten som skrev prompten för ett halvår sedan? Eller är det produktchefen?

Om det inte är glasklart vem i verksamheten som ansvarar för det som automationen producerar, då kommer ingen heller att våga ta bort det manuella godkännandet. Rädslan för att stå med Svarte Petter gör att vi behåller människan som en dyr gummistämpel i flödet.

Från i loopen till på loopen

Sebastian:
Så, hur tar vi oss vidare? Hur får vi ut den faktiska tidsvinsten av AI-automation utan att tappa kontrollen?

Svaret är att vi måste förflytta oss från human-in-the-loop till human-on-the-loop. Människan på loopen, inte i den.

Skillnaden är avgörande. I stället för att en människa ska granska varje enskild körning, så sätter vi upp tydliga ramar, regler och gränsvärden runt vår automation. Om AI-agenten hanterar ett inkommande ärende eller tvättar en produkttext, och en separat validering visar att allt ser komplett ut, alla obligatoriska värden är rimliga och säkerhetsmarginalen är hög, då kör flödet vidare helt själv. Ingen människa behöver titta på det.

Men… om vi inte når upp till våra gränsvärden. Om en siffra avviker, om underlaget från leverantören är tvetydigt, eller om AI:n flaggar att den är osäker, då eskaleras ärendet till en människa. Människan kliver in när det är svårt, inte när det är rutin.

Och för att det här ska fungera i praktiken krävs exakt samma sak som för våra klassiska integrationer: ett tydligt ägarskap. Någon i affären, inte på IT, måste stå som system- eller processägare för automationen. Någon som äger gränsvärdena, som följer upp kvaliteten över tid och som har mandatet att säga: ”Den här felmarginalen är acceptabel för den tid vi sparar.”

Farthållaren på motorvägen

Sebastian:
Tänk dig skillnaden som att köra en ny eller gammal bil på en lång roadtrip.

Att jobba helt manuellt är att sitta och gasa och bromsa själv i femtio mil. Det fungerar, men det är rätt tröttsamt.

Human-in-the-loop är som att slå på en gammal, icke-adaptiv farthållare. Varje gång du närmar dig en annan bil måste du justera manuellt. Visst sparar det gasfoten lite, men du är där och pillar hela tiden.

Human-on-the-loop är så som en adaptiv farthållare är tänkt att fungera. Du ställer in hastigheten och avståndet till bilen framför, dina gränsvärden. Sen sköter bilen gasen och bromsen helt själv i nittionio procent av fallen. Du har fortfarande ansvaret för färden. Du sitter i förarsätet, håller koll på vägen och är beredd att ta över om ett vägarbete dyker upp. Bilen gör grovjobbet inom ramarna och eskalerar till dig när verkligheten avviker.

Tre frågor till måndag

Sebastian:
Så här gör ni på måndag. Ta en titt på de automationer eller AI-initiativ ni håller på att bygga, eller planerar att dra igång. Och ställ tre raka frågor.

För det första: går kalkylen ihop? Automatiserar vi det här för att det faktiskt sparar rejält med tid och pengar, även efter att vi har räknat in kostnaden för varje AI-körning och det löpande underhållet? Eller gör vi det bara för att uppgiften råkar vara lite tråkig?

För det andra: hur tar vi oss ur loopen? Om ni har designat flödet så att en kollega alltid måste sitta och klicka ”Godkänn” på slutet, vad krävs för att ni ska våga släppa det? Vilka gränsvärden eller kontroller behöver ni sätta upp för att bara eskalera undantagen?

Och för det tredje: vem sitter i förarsätet? Bestäm, svart på vitt, vem i verksamheten som äger resultatet av det automationen spottar ur sig. För utan en tydlig ägare kommer ingen någonsin att våga göra farthållaren adaptiv, och på riktigt hjälpsam.

Summering

Sebastian:
För att sammanfatta: AI och agenter öppnar helt nya dörrar för vad som går att automatisera, men de är ett komplement till era befintliga flöden, inte en gratisbiljett. Akta er för att lägga hundra timmar på att automatisera bort fyra sekunder i soffan, och fastna inte i fällan där människor agerar gummistämpel åt maskinerna. Sätt tydliga gränsvärden, klargör vem som äger resultatet och flytta människan från att sitta mitt i loopen till att övervaka den.

Tack för att du lyssnade på dagens avsnitt av Utbenat! Vill du prata mer om dagens ämne eller bara prata data, hör av dig till oss, vi finns på LinkedIn. Eller kontakta oss via vår hemsida, Fiwe.se, med ett dubbel-v. Vi hörs, och ta hand om er där ute!

Du har lyssnat på Syntra, en podd från Fiwe.

‍